de.wedoany.com-Bericht: Das britische Robotik- und KI-Unternehmen Humanoid hat mit KinetIQ Ascend eine auf Reinforcement Learning basierende technische Lösung vorgestellt, die darauf abzielt, eine Betriebszuverlässigkeit von 99,9 % mit menschlicher Geschwindigkeit oder sogar schneller zu erreichen.
KinetIQ Ascend baut auf der zuvor veröffentlichten KinetIQ-Plattform auf und verbessert die Leistung von Robotern bei industriellen Aufgaben direkt durch Versuch-und-Irrtum-Lernen. Das System wurde bei mehreren Aufgaben getestet, darunter das Aufnehmen von Teilen aus Behältern, das Übergeben von Gegenständen an Menschen sowie das Anheben und Bewegen von Behältern mit zwei Armen, und hat sich in verschiedenen Betriebsszenarien als wirksam erwiesen.
Bei einer Maschinenbeschickungsanwendung, bei der der Roboter Stahllagerringe aus einem Behälter aufnimmt und auf ein Förderband legt, steigerte KinetIQ Ascend den Durchsatz um 42 %, sodass der Roboter mit der 1,5-fachen Geschwindigkeit der ursprünglich erlernten menschlichen Demonstration laufen konnte. Bei einer weiteren Aufgabe, bei der Gegenstände aus einem unordentlichen Koffer aufgenommen und an einen Menschen übergeben wurden, steigerte die Methode den Durchsatz um 85 % und die Erfolgsquote von 80 % auf 98 %.
Bei der dritten Aufgabe, der Handhabung eines Koffers mit zwei Armen, hob der Roboter den Koffer mit beiden Armen vom Tisch. Der Durchsatz verdoppelte sich mehr als, die Erfolgsquote stieg von 78 % auf 99 %, und die Fehlerrate sank um etwa das 20-fache – alle Ergebnisse wurden nach nur wenigen Tagen Training erzielt.
Diese Ergebnisse zeigen einen neuen Weg von KinetIQ Ascend zur Entwicklung von Roboterfähigkeiten, der sich bei einer Reihe praktischer Betriebsaufgaben als wirksam erwiesen hat, vom schnellen Einarm-Greifen bis zur komplexen Zweiarm-Handhabung. Die Technologie belegt zudem, dass sich die Leistung von Robotern mit zunehmender Trainingszeit vorhersagbar verbessert, ähnlich wie sich große Sprachmodelle mit mehr verfügbaren Rechenressourcen und Daten verbessern. Die durch Simulationsexperimente gestützten beobachteten Skalierungstrends deuten darauf hin, dass der Ansatz bis zu einer 100-prozentigen Zuverlässigkeit skaliert werden kann.
Die neue Methode offenbarte zwei weitere Erkenntnisse: Die Verbesserung nur des schwierigsten Teils des Arbeitsablaufs kann die gesamte Aufgabe verbessern, und der Roboter kann auf Objekte generalisieren, die er während des Trainings nicht gesehen hat.
Jarad Cannon, Chief Technology Officer von Humanoid, erklärte, dass sich der Wettlauf um humanoide Roboter zu einem Skalierungsproblem entwickle und Reinforcement Learning in der realen Welt ein zentraler Bestandteil der Lösung werden könne. Roboter, die früher monatelange manuelle Optimierung erforderten, überträfen nun innerhalb weniger Tage die Leistung menschlicher Demonstrationen. KinetIQ Ascend biete einen neuen Weg zur Entwicklung von Roboterfähigkeiten, der keine monatelange Datensammlung und manuelle Optimierung jeder neuen Fähigkeit mehr erfordere. Ausgehend von grundlegenden Verhaltensweisen verfeinere Reinforcement Learning diese zu einsatzbereiten Fähigkeiten – ein Prozess, der als Aufbau einer „Fähigkeitenfabrik" bezeichnet wird und den Wandel humanoider Roboter von Demonstrationsobjekten zu zuverlässigen industriellen Werkzeugen markiere.
Humanoid hat diese Erkenntnisse in einem neuen technischen Bericht zusammengefasst, der die vollständige Methodik von KinetIQ Ascend abdeckt, einschließlich der Trainings-infrastruktur, algorithmischer Lösungen und einer tiefergehenden Analyse der Ergebnisse.
